論文の概要: Contrastive Learning for Non-Local Graphs with Multi-Resolution Structural Views

• arxiv url: http://arxiv.org/abs/2308.10077v1
• Date: Sat, 19 Aug 2023 17:42:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 17:57:21.112165
• Title: Contrastive Learning for Non-Local Graphs with Multi-Resolution Structural Views
• Title（参考訳）: マルチリゾリューション構造を考慮した非局所グラフのコントラスト学習
• Authors: Asif Khan, Amos Storkey
• Abstract要約: 本稿では,グラフ上の拡散フィルタを統合する新しい多視点コントラスト学習手法を提案する。 複数のグラフビューを拡張として組み込むことで、異種グラフの構造的等価性を捉える。
• 参考スコア（独自算出の注目度）: 1.4445779250002606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning node-level representations of heterophilic graphs is crucial for various applications, including fraudster detection and protein function prediction. In such graphs, nodes share structural similarity identified by the equivalence of their connectivity which is implicitly encoded in the form of higher-order hierarchical information in the graphs. The contrastive methods are popular choices for learning the representation of nodes in a graph. However, existing contrastive methods struggle to capture higher-order graph structures. To address this limitation, we propose a novel multiview contrastive learning approach that integrates diffusion filters on graphs. By incorporating multiple graph views as augmentations, our method captures the structural equivalence in heterophilic graphs, enabling the discovery of hidden relationships and similarities not apparent in traditional node representations. Our approach outperforms baselines on synthetic and real structural datasets, surpassing the best baseline by $16.06\%$ on Cornell, $3.27\%$ on Texas, and $8.04\%$ on Wisconsin. Additionally, it consistently achieves superior performance on proximal tasks, demonstrating its effectiveness in uncovering structural information and improving downstream applications.
• Abstract（参考訳）: 異種グラフのノードレベル表現の学習は,不正検出やタンパク質機能予測など,様々な応用に不可欠である。 このようなグラフでは、ノードは接続の等価性によって識別される構造的類似性を共有し、グラフ内の上位階層情報の形で暗黙的に符号化される。 対照的な方法は、グラフ内のノードの表現を学ぶための一般的な選択である。 しかし、既存のコントラスト法は高階グラフ構造を捉えるのに苦労している。 この制限に対処するために,グラフ上の拡散フィルタを統合する新しいマルチビューコントラスト学習手法を提案する。 複数のグラフビューを拡張として組み込むことで、異種グラフの構造的等価性を捕捉し、従来のノード表現では見られない隠れた関係や類似性を発見できる。 我々のアプローチは、合成および実際の構造データセットのベースラインを上回り、コーネルでは16.06セント、テキサスでは3.27セント、ウィスコンシンでは8.04セントと、最高のベースラインを上回ります。 さらに、近位課題における優れた性能を一貫して達成し、構造情報の発見と下流アプリケーションの改善の有効性を実証する。

関連論文リスト

• Robust Graph Structure Learning under Heterophily [12.557639223778722]
  本稿では、下流タスクのための異種データから高品質なグラフを実現するための、新しい頑健なグラフ構造学習法を提案する。 まず,そのノードの特徴に構造情報をエンコードすることで,各ノードが近隣ノードとより区別されるようにハイパスフィルタを適用する。 そして、異なるレベルのノイズを特徴付ける適応ノルムを持つ頑健なグラフを学習する。
  論文  参考訳（メタデータ） (2024-03-06T12:29:13Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• Supervised Contrastive Learning with Structure Inference for Graph Classification [5.276232626689567]
  グラフ分類のための教師付きコントラスト学習と構造推論に基づくグラフニューラルネットワークを提案する。 ラベル情報の統合により、1-vs-manyのコントラスト学習を多-vs-many設定に拡張することができる。 実験の結果,最近の最先端手法と比較して提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-15T07:18:46Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Multi-Level Graph Contrastive Learning [38.022118893733804]
  本稿では,グラフの空間ビューを対比することで,グラフデータの堅牢な表現を学習するためのマルチレベルグラフコントラスト学習(MLGCL)フレームワークを提案する。 元のグラフは1次近似構造であり、不確実性や誤りを含むが、符号化機能によって生成された$k$NNグラフは高次近接性を保持する。 MLGCLは、7つのデータセット上の既存の最先端グラフ表現学習法と比較して有望な結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-07-06T14:24:43Z)
• Self-Supervised Graph Learning with Proximity-based Views and Channel Contrast [4.761137180081091]
  グラフニューラルネットワーク(GNN)は、近傍の集約をコアコンポーネントとして使用し、近接ノード間の機能を滑らかにする。 この問題に対処するため、我々は2つのグラフビューでグラフを強化し、ノードは最も類似した特徴や局所構造を持つものと直接リンクする。 生成したビューと元のグラフをまたいだ表現の一致を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T15:38:36Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。